Python-NaN和None有什么区别?
我正在使用pandas
读取csv文件的两列,readcsv()
然后将值分配给字典。这些列包含数字和字母字符串。有时在某些情况下单元格为空。在我看来,应读取None
但应nan
分配该字典条目的值。当然None
,由于它具有空值,因此更能描述一个空单元格,而nan只是说读取的值不是数字。
我的理解正确吗,None
和之间有什么区别nan
?为什么nan
分配而不是None
?
另外,我的字典检查是否有任何空单元格一直在使用numpy.isnan()
:
for k, v in my_dict.iteritems(): if np.isnan(v):
但这给了我一个错误,说我不能使用此检查v。我猜这是因为要使用整数或浮点变量,而不是字符串。如果是这样,如何检查v“空单元格” / nan大小写?
回答:
在我看来,使用NaN(而不是None)的主要原因是它可以与numpy的float64 dtype
一起存储,而不是效率较低的object dtype
,请参阅NA type Promotions
。
# without forcing dtype it changes None to NaN!s_bad = pd.Series([1, None], dtype=object)
s_good = pd.Series([1, np.nan])
In [13]: s_bad.dtype
Out[13]: dtype('O')
In [14]: s_good.dtype
Out[14]: dtype('float64')
杰夫对此评论(如下):
np.nan允许向量化操作;它是一个float值,而None根据定义,它强制对象类型,这基本上禁用了numpy中的所有效率。
因此,快速重复3次:object ==bad
,float == good
说,许多操作在None vs NaN上仍然可以正常工作(但可能不受支持,即有时可能会产生令人惊讶的结果):
In [15]: s_bad.sum()Out[15]: 1
In [16]: s_good.sum()
Out[16]: 1.0
要回答第二个问题:
你应该使用pd.isnull并pd.notnull测试丢失的数据(NaN)。
以上是 Python-NaN和None有什么区别? 的全部内容, 来源链接: utcz.com/qa/435439.html